Sovereign bond yield connectedness among major economies during turmoil
Notice bibliographique
Résumé
Purpose This research evaluates yield connectedness dynamics between sovereign bonds among the G7 and larger economies such as China, Russia and India, encompassing the pandemic and the Russia–Ukraine war. Design/methodology/approach The study collated daily data on sovereign bond yields from January 2011 to November 2023. The data were divided into three subsamples: pre-COVID, COVID-19 and Russia–Ukraine war periods. The Diebold and Yilmaz connectedness approach with the time-varying parameter vector autoregression (TVP-VAR) model is applied to investigate the connectedness among the countries. Findings Germany, the United States, Canada and the UK were the major transmitters, with Germany and the US as the prime net transmitters. Japan, India and Italy were net receivers. Japan consistently receives net spillovers from Canada, Germany and the USA, while transmitting to the UK. Italy mainly receives from Germany and France, while China transmits to the UK, France, Germany and the USA. The UK receives from China and Russia, and India primarily from the USA and France. Research limitations/implications COVID-19 highlighted the stabilizing role of monetary and fiscal policies, particularly in Germany and India. Major economies’ interconnectedness emphasizes the need for diversified risk management and international cooperation to maintain sovereign bond market stability. Originality/value The study examines the impact of COVID-19 and the war on global financial markets, focusing on sovereign bond yield connectedness, identifying influential economies and offering insights for financial stability enhancement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».